Сотрудничающие роботы (cobots) появились совсем недавно и имеют широкие перспективы на будущее.

Сегодня связь между промышленностью и интернетом становится всё более тесной, а интеллектуальная промышленность превращается в следующий тренд в сфере промышленности. В стратегиях Китая "Создано в 2025" и немецкой "Промышленность 4.0", роботы являются неотъемлемой частью создания мощной производственной державы. После начального этапа использования в качестве простых производственных инструментов, роботы развиваются в направлении приобретения множественных сенсорных способностей, автономного принятия решений и эффективной коммуникации и интеллектуального взаимодействия с человеком. В то же время рабочее пространство и диапазон действия роботов постоянно расширяются, и они всё чаще входят в неструктурированные среды в производственной и жизненной сфере человека. Интеграция роботов и людей станет фундаментальной характеристикой следующего поколения роботов. Интеграция человека и робота означает, что люди и роботы сосуществуют в одном естественном пространстве, тесно координируя свои действия. При условии обеспечения безопасности человека, роботы могут автономно совершенствовать свои навыки и достигать естественного взаимодействия с людьми. Для работников роботы больше не являются просто производственными инструментами, а помощниками, поэтому сотрудничающие роботы часто называются "коботами".

Основные проблемы традиционных промышленных роботов включают:

① Стоимость внедрения традиционных роботов высока. Промышленные роботы, предназначенные для выполнения повторяющихся задач, зависят от высокой точности повторного позиционирования и фиксированной внешней среды. Конфигурирование, программирование, обслуживание и создание фиксированной внешней среды для роботов влекут за собой значительные затраты.

② Традиционные роботы не могут удовлетворить потребности малых и средних предприятий (МСП). Традиционные промышленные роботы в основном предназначены для крупномасштабных производственных предприятий, таких как автомобилестроение, где продукция стандартизирована и производственная линия не требует значительных изменений на протяжении длительного времени, что практически исключает необходимость в перепрограммировании или перераспределении ресурсов. В отличие от этого, МСП обычно характеризуются такими особенностями, как малые партии, индивидуализация и короткие производственные циклы, что требует от роботов возможности быстрой настройки и простоты обращения.

③ Традиционные роботы не могут удовлетворить возрастающие потребности рынка совместной работы. Традиционные промышленные роботы разработаны для выполнения задач с высокой точностью и скоростью, и безопасность в условиях совместной работы с людьми не была приоритетом для таких роботов, которые обычно просто использовали ограждения для изоляции роботов от людей. Однако с ростом затрат на труд отрасли, которые ранее реже использовали роботов, такие как 3C (компьютеры, коммуникации и потребительская электроника), медицинская и пищевая промышленности, также начали искать решения по автоматизации. Характеристики работы в этих отраслях включают обращение с широким ассортиментом продукции и требуют высокой гибкости и ловкости от операторов, чего традиционные роботы обеспечить не могут. В ответ на эти потребности появились совместные роботы, которые демонстрируют растущий тренд. Совместные роботы могут работать вместе с людьми, при этом человек отвечает за задачи, требующие большей гибкости и ловкости, а роботы выполняют повторяющуюся работу. Они также обладают функциями безопасности, которые позволяют сотрудничество без необходимости использования ограждений для обеспечения безопасности между людьми и роботами.

Благодаря их безопасности, простоте использования и открытости, коллаборативные роботы находят широкое применение как в промышленных, так и в непромышленных областях. Они не только отвечают требованиям развивающейся индустрии мелкой электроники по миниатюризации и точности, выполняя такие задачи, как перемещение материалов и инспекция продукции, но и применяются в коммерческих (непромышленных) сферах, таких как комплектация на складских логистиках, помощь в проведении операций в медицинской индустрии и массажные сценарии, работая вместе с людьми в совместной среде.

Методы отображения, которые уменьшают сложность использования кооперативных роботов

Для обеспечения реализации функций коллаборативных роботов необходимо планировать траекторию движения робота. В настоящее время планирование траектории робота имеет высокий профессиональный барьер для среднестатистических пользователей, что ограничивает массовое распространение коллаборативных роботов. Для решения этой проблемы метод обучения через демонстрацию предоставляет простой и непосредственный способ планирования траектории: машина «наблюдает» за демонстрацией движений человека, затем сочетает это с соответствующими методами машинного обучения для моделирования и обучения, тем самым приобретая способность выполнять соответствующие задачи, значительно снижая затраты на обучение и использование для пользователей.

Метод обучения с подкреплением включает несколько процессов. Перед началом обучения различные роботизированные системы должны выбрать подходящие методы сбора данных для записи обучающих данных. В фазе обучения, из-за несоответствия размеров и возможностей движения между человеком и роботом, некоторым системам необходимо решить проблему соответствия между человеком и роботом в обучающих данных. Затем моделирование обучающих данных для получения модели движения, адаптированной к различным сценариям, является ключевым аспектом метода обучения с подкреплением. Наконец, метод обучения должен решить, как использовать полученную модель для генерации траекторий движения, адаптированных к новым сценариям задач.

В этом процессе крайне важно получение данных о движении высокой точности. Методы получения данных для обучения можно разделить на две основные категории: первая категория - метод картографирования, который включает захват данных о движении человека с помощью систем захвата движений, оптических датчиков, перчаток для сбора данных и других датчиков, а затем отображение этих данных на действия робота. Этот метод прост, интуитивно понятен и обеспечивает плавные траектории движения, и обычно используется для роботизированных систем, имеющих структуру, похожую на человеческое тело. Вторая категория - некартографический метод, который включает непосредственное управление роботизированной рукой (гаптическое обучение) или управление роботизированной рукой с помощью учебного пульта или джойстика (дистанционное управление) для записи информации о движениях в суставах. Этот метод устраняет необходимость в картографировании между учителем и роботом, но создает менее плавные траектории.

Высокоточная оптическая система захвата движения с низкой задержкой для удовлетворения потребностей обучения

В обучении часто выбирается метод захвата человеческих движений через картирование для сценариев, требующих высокой точности в движениях гуманоидных роботов-коллаборантов. Этот метод обеспечивает более точные данные для обучения за счет захвата движений тела.

В некоторых отраслях, требующих высокой точности в операциях с роботами-коллаборантами (например, при сборке точных компонентов или помощи в хирургических операциях в медицинской индустрии), необходима точная моделирование человеческого движения. Должны быть выбраны соответствующие методы машинного обучения и стратегии выполнения, чтобы роботы могли выполнять заданные задачи. Это требует получения данных о траекториях движения человека с высокой точностью.

Оптическая система захвата движения в 3D NOKOV обладает субмиллиметровой точностью и характеризуется высокой точностью и низкой задержкой. Она широко используется для сбора данных для обучения роботов-коллаборантов. Оптическая система захвата движения в основном состоит из аппаратных компонентов, таких как камеры захвата движения в инфракрасном диапазоне, и компьютерных программных систем. В процессе захвата движения несколько камер излучают инфракрасные лучи и непрерывно захватывают высокоскоростные изображения маркеров. Траектории движения маркеров рассчитываются на основе непрерывных изображений, а соответствующие данные передаются на компьютер. Затем компьютер обрабатывает соответствующие полутоновые изображения для получения информации о пространственных координатах и других данных с высокой точностью.

NOKOV Метрический захват движений Учебное приложение Case

NOKOV установил глубокое сотрудничество с несколькими университетами, предоставляя высокоточный захват движений для коллаборативных роботов в различных отраслях.

Харбинский технологический институт (Шэньчжэнь), факультет мехатроники и автоматизации - роботы для сборки 3C

Команда во главе с профессором Лоу Юньцзяном из Харбинского технологического института предложила метод обучения совместных роботов для сборки компонентов 3C. Этот метод использует систему захвата движения, охватывающую зону 1м*1м, с шестью инфракрасными оптическими камерами захвата движений NOKOV, работающими с частотой дискретизации 340 кадров в секунду. Камеры записывают данные движений инфракрасно-отражающих маркеров, прикрепленных к рукам оператора, тем самым получая трехмерные пространственные позиции рук и пальцев. Оптическая система захвата движения может функционировать в типичной промышленной среде, не мешая нормальной сборочной работе оператора и не требуя чрезмерного пространства или плотного распределения оборудования. После получения учебных данных система использует ряд техник предварительной обработки данных для получения плавных траекторий сборочного движения на основе множественных демонстраций. Наконец, применяется алгоритм обучения стратегиям, который позволяет выводить стратегии для робота по воссозданию траекторий сборочного движения, что позволяет роботу выполнять сборочные задачи из случайных начальных позиций и ориентаций.

Школа передового производственного инжиниринга, Чунцинский университет почтовой и телекоммуникационной связи - Изучение методов шитья медицинскими роботами

Команда под руководством профессора Ян Дэвэя в Чунцинском университете почтовых и телекоммуникационных технологий предложила метод моделирования медицинского робота для наложения швов, основанный на демонстрации, разложении и моделировании для унификации техник шитья.

Метод моделирования унифицированного шитья делится на следующие четыре этапа:

① Врач продемонстрировал операцию

② Направления исследований, проводимых с использованием платформы Robotarium, включают контроль формации, планирование маршрутов, биоинспирированное управление роем, избежание столкновений и другое.

③ Создайте параметрическую модель для начального и конечного состояний базовых действий, используемых для наложения швов.

④ Метод динамических двигательных примитивов (DMP) используется для моделирования динамических подпроцессов действий наложения швов. Параметрическая модель динамического процесса базовых швов, а также параметры начального и конечного состояния базовых швов составляют библиотеку навыков шитья.

Эксперимент использовал семь оптических камер системы захвата движения NOKOV для измерения и отслеживания процесса наложения швов врачом. Захватываемыми объектами были два хирургических щипца, на каждые из которых было прикреплено по три маркера. Система захвата движения регистрировала пространственные координаты маркеров для расчета непрерывной траектории движения щипцов (включая положение и ориентацию), при этом данные о высокоточной траектории (уровень субмиллиметра) использовались для процедурной декомпозиции. Система захвата движения NOKOV характеризуется высокой точностью и низкой задержкой. По мере того как коллаборативные роботы становятся все более распространенными, ожидается, что система захвата движения NOKOV также будет играть все более значительную роль.